Introduction
Lorsque vous modifiez votre modèle pendant le développement, vous devez vérifier si vos modifications améliorent votre modèle. Vérifier simplement la précision peut ne pas suffire. Par exemple, si vous avez un classificateur pour un problème dans lequel 95 % de vos instances sont positives, vous pourrez peut-être améliorer la précision en prédisant simplement toujours positif, mais vous n'aurez pas un classificateur très robuste.
Aperçu
L'objectif de TensorFlow Model Analysis est de fournir un mécanisme d'évaluation de modèle dans TFX. TensorFlow Model Analysis vous permet d'effectuer des évaluations de modèles dans le pipeline TFX et d'afficher les métriques et les tracés résultants dans un notebook Jupyter. Concrètement, il peut fournir :
- Métriques calculées sur l'intégralité de l'ensemble de données d'entraînement et d'exclusion, ainsi que sur les évaluations du jour suivant
- Suivi des métriques dans le temps
- Performances de qualité du modèle sur différentes tranches de fonctionnalités
- Validation du modèle pour s'assurer que le modèle conserve des performances constantes
Prochaines étapes
Essayez notre tutoriel TFMA .
Consultez notre page github pour plus de détails sur les métriques et les tracés pris en charge et les visualisations de notebook associées.
Consultez les guides d' installation et de mise en route pour obtenir des informations et des exemples sur la configuration d' un pipeline autonome. Rappelez-vous que TFMA est également utilisé dans le composant Evaluator dans TFX, donc ces ressources seront également utiles pour démarrer dans TFX.